互联网农业发展模式与支持研究报告

互联网农业发展模式与支持研究报告第一章智能物联网基础设施构建与应用1.1农业传感器网络部署与数据采集1.2边缘计算节点在农业中的部署策略第二章区块链技术在农业溯源与供应链管理中的应用2.1农产品溯源系统的设计与实现2.2区块链在农产品流通中的可信应用第三章大数据驱动的精准农业决策系统3.1农业气象大数据的实时分析3.2土壤营养数据的智能预测模型第四章AI在农业自动化中的应用4.1智能灌溉系统的优化算法4.2无人机在农田监测中的应用第五章数字孪生技术在农业中的实践5.1农业数字孪生平台的构建5.2数字孪生在种植决策中的应用第六章区块链与AI融合的农业应用6.1AI+区块链在农产品溯源中的应用6.2智能合约在农业供应链中的应用第七章农业大数据平台的建设与发展7.1农业大数据平台的架构设计7.2农业大数据平台的隐私保护技术第八章政策支持与行业标准化建设8.1农业数字化转型政策支持8.2农业标准化建设的现实路径第九章未来发展趋势与挑战9.1农业数字化的未来方向9.2农业数字化转型中的挑战与对策第一章智能物联网基础设施构建与应用1.1农业传感器网络部署与数据采集农业传感器网络是实现智能农业管理的核心基础设施，其部署与数据采集技术对农业生产效率与智能化水平具有直接影响。传感器网络部署在农田、温室、灌溉系统、畜禽养殖场所等关键区域，用于实时监测土壤湿度、温度、光照强度、二氧化碳浓度、降雨量、风速等环境参数，以及作物生长状态、土壤营养成分、病虫害状况等农业信息。在部署过程中，需综合考虑传感器的灵敏度、响应速度、抗干扰能力、功耗与通信稳定性等因素。传感器网络的构建采用分布式部署策略，通过无线通信技术（如LoRa、NB-IoT、ZigBee、5G等）实现节点间的数据传输，保证数据采集的实时性和可靠性。数据采集过程通过数据融合与预处理技术，实现多源数据的整合与标准化，为后续的农业分析与决策提供支持。在数据采集方面，可采用边缘计算节点对采集到的数据进行本地处理与初步分析，减少数据传输负担，提高系统响应效率。边缘计算节点集成高功能的嵌入式处理器、传感器接口、通信模块等硬件资源，支持本地数据分析与异常检测，为农业管理提供实时反馈与预警机制。1.2边缘计算节点在农业中的部署策略边缘计算节点在农业物联网系统中承担着数据预处理、本地决策与智能控制的关键作用。其部署策略需结合农业场景的特殊性，实现高效、稳定、可扩展的节点分布。边缘计算节点的部署遵循“靠近数据源、靠近用户”的原则，根据农业场景的特点，采用以下策略进行部署：（1）区域划分与节点密度：根据农田面积、作物类型、灌溉需求等进行区域划分，合理配置边缘计算节点密度，保证关键区域的实时数据采集与处理能力。（2）动态节点调度：结合农业生产周期与天气变化，动态调整边缘计算节点的运行状态与任务分配，提升系统资源利用率。（3）多节点协同工作：在大型农田或复杂农业系统中，通过多节点协同工作实现数据采集与处理的并行化与分布式处理，提高系统的整体功能与可靠性。（4）能源优化与节点寿命管理：边缘计算节点的部署需考虑能源供应与节点寿命，采用低功耗设计、太阳能供电、无线充电等技术，延长节点使用寿命，降低运维成本。在部署过程中，边缘计算节点的通信拓扑结构需具备良好的稳定性与容错能力，采用分层通信架构，保证数据传输的可靠性和低延迟。同时边缘计算节点与云端平台的数据交互需遵循标准化接口，保证系统间的数据互通与协同运行。农业传感器网络与边缘计算节点的协同部署，是实现智能农业管理与精准农业决策的重要支撑，其技术应用与优化策略直接影响农业生产的智能化水平与可持续发展。第二章区块链技术在农业溯源与供应链管理中的应用2.1农产品溯源系统的设计与实现农产品溯源系统是基于区块链技术构建的透明、可追溯的农业信息管理平台，旨在通过数据存储与共享，实现从农田到餐桌的全链条信息跟进。该系统采用分布式账本技术，保证数据不可篡改、透明可验证，从而提升农产品质量保障水平与消费者信任度。在系统设计中，需构建多节点协同的区块链网络架构，保证数据的分布式存储与同步。同时结合物联网传感器技术，实时采集农产品生长环境、种植过程、运输路径等关键信息，并将数据上链，实现动态更新与多维度追溯。系统核心模块包括数据采集、信息存储、数据验证与查询接口。数据采集模块通过传感器与终端设备采集农业数据，信息存储模块采用智能合约进行数据封装与存储，数据验证模块利用区块链的共识机制保证数据真实性和完整性，查询接口则提供用户友好的交互界面，实现信息的可视化查询与分析。2.2区块链在农产品流通中的可信应用区块链技术在农产品流通中的应用，主要体现在供应链金融、农产品交易、物流管理与市场信息共享等方面。其核心价值在于构建一个的信任体系，解决传统农产品流通中信息不对称、交易成本高、信用体系缺失等问题。在供应链金融领域，区块链技术可用于农产品流通中的信用评估与融资服务。通过整合农产品销售数据、物流信息、质量认证信息等，构建农产品信用评分模型，为农户和企业提供可信的信用评估，降低融资成本，提升资金流动效率。在农产品交易过程中，区块链技术可构建智能合约，实现交易的自动执行与结算。例如当农产品到达指定节点时，智能合约自动触发付款流程，保证交易的透明与高效，减少中间环节，提高交易效率。在物流管理方面，区块链技术可实现农产品运输过程的全程跟进与可视化管理。通过将运输路径、温度、湿度等关键参数上链，实现物流数据的实时共享与监控，保证农产品在运输过程中的质量与安全。在市场信息共享方面，区块链技术可构建农产品信息共享平台，整合供需信息、价格波动、市场趋势等数据，提升市场透明度与信息流通效率，助力农产品流通的智能化与精准化发展。区块链技术在农产品溯源与供应链管理中的应用，不仅提升了农产品质量保障与流通效率，也为农业现代化与可持续发展提供了坚实的技术支撑。第三章大数据驱动的精准农业决策系统3.1农业气象大数据的实时分析农业气象大数据的实时分析是精准农业决策系统的重要组成部分，其核心目标是通过高效的数据采集、处理与分析技术，为农业生产提供科学、及时的决策支持。在实际应用中，农业气象大数据主要来源于气象卫星、地面观测站、无人机遥感、物联网传感器等多种数据源。这些数据在采集过程中具有高动态性、多源异构性以及时空分布不均的特点，因此在分析过程中需要采用分布式计算框架与实时数据处理技术，以保证数据的时效性与处理效率。在农业气象大数据的实时分析中，常见的处理技术包括时间序列分析、异常值检测、数据融合与特征提取等。例如基于时间序列分析的模型可用于预测未来一段时间内的天气变化趋势，为农作物生长周期和灌溉策略提供依据。同时通过机器学习算法，如随机森林、支持向量机（SVM）和深入学习模型（如LSTM网络），可对气象数据进行分类和预测，实现对极端天气事件的早期预警。在实际应用中，农业气象大数据的实时分析系统采用云平台与边缘计算相结合的方式，实现数据的快速处理与结果的即时反馈。例如使用ApacheKafka进行数据流的实时传输，结合Spark进行数据的分布式计算，最终通过API接口将分析结果反馈给农业生产管理系统，从而实现精准农业决策的动态调整。3.2土壤营养数据的智能预测模型土壤营养数据的智能预测模型是精准农业决策系统中实现土壤资源管理与作物生长优化的重要工具。土壤营养数据包括土壤含水量、养分含量、pH值、有机质含量等，这些数据的准确性和时效性直接影响到作物的生长状况与产量。因此，构建高效的土壤营养数据智能预测模型，是提升农业生产力的关键所在。在土壤营养数据的智能预测模型中，采用多种数据融合方法，结合传感器数据、历史数据与气象数据，构建多维预测模型。例如基于支持向量机（SVM）的模型可对土壤养分含量进行分类预测，而基于神经网络的模型则可用于土壤养分变化趋势的预测。同时通过引入贝叶斯网络与随机森林算法，可实现对土壤养分变化的动态建模与预测。在模型构建过程中，需要考虑数据的缺失值处理、特征选择与模型调参等问题。例如使用K-近邻（KNN）算法对数据进行平滑处理，避免因数据缺失导致的模型偏差。通过引入特征工程方法，如Z-score标准化、特征交叉与特征组合，可提高模型的泛化能力。在实际应用中，土壤营养数据的智能预测模型结合物联网传感器网络与云计算平台进行部署。例如通过部署在农田中的土壤传感器，实时采集土壤数据，并通过边缘计算节点进行初步处理，最终将结果传输至云端进行深入学习与预测。同时结合农业管理系统中的作物生长模型，可实现对土壤养分状况的动态评估与优化管理。农业气象大数据的实时分析与土壤营养数据的智能预测模型，是构建精准农业决策系统的核心技术支撑。通过数据驱动的分析方法与智能模型的构建，可实现对农业生产过程的科学决策与动态优化，从而提升农业生产的效率与可持续性。第四章AI在农业自动化中的应用4.1智能灌溉系统的优化算法智能灌溉系统是农业自动化的重要组成部分，其核心目标是根据作物生长需求和环境条件实现精准灌溉，以最大化水资源利用效率，降低灌溉成本，提升作物产量。在这一过程中，优化算法的引入提高了系统的智能化水平。在智能灌溉系统中，优化算法主要应用于灌溉方案的制定与调整。常见的优化算法包括遗传算法、粒子群优化算法（PSO）、蚁群优化算法（ACO）以及深入强化学习（DRL）等。这些算法能够根据实时传感器数据（如土壤湿度、气温、光照强度等）动态调整灌溉策略，实现对水资源的高效利用。以遗传算法为例，其在智能灌溉系统中的应用主要体现在对灌溉方案的多目标优化。假设我们希望在有限的水资源条件下，最大化作物产量并最小化灌溉成本，遗传算法可通过模拟自然选择过程，迭代优化灌溉参数，最终得到最优解。算法的具体公式Fitness其中，$x$表示灌溉参数集合，$(x)$表示适应度函数，用于衡量优化结果的优劣。在实际应用中，智能灌溉系统结合多传感器数据进行实时监测，并通过优化算法动态调整灌溉策略。例如基于深入学习的灌溉控制系统可实时分析土壤湿度、气象数据和作物生长状态，结合遗传算法优化灌溉方案，实现精准灌溉。4.2无人机在农田监测中的应用无人机在农田监测中的应用日益广泛，其优势在于能够高效、准确地采集农田数据，为农业决策提供支持。无人机搭载高清摄像设备、多光谱传感器以及热成像仪等，可实现对农田的全面监测，包括作物长势、病虫害分布、土壤墒情等信息。在无人机应用中，算法优化同样发挥着重要作用。例如基于图像处理的病虫害识别算法可利用机器学习模型（如卷积神经网络，CNN）对农田图像进行分类，识别病虫害种类并定位病害区域。该算法在实际应用中需要考虑图像质量、数据标注准确性和模型泛化能力等参数。在具体实施中，无人机监测系统采用基于深入学习的图像识别算法，以提高识别准确率。例如使用卷积神经网络对农田图像进行特征提取，并通过分类器进行病虫害识别。具体的算法公式PredictedClass其中，Output表示神经网络的输出层结果，Softmax是分类函数，用于将输出结果转换为概率分布，以表示不同类别的识别概率。在实际应用中，无人机监测系统需结合多种传感器数据，包括多光谱成像、热成像、红外成像等，以提高监测的全面性和准确性。系统还会对采集的数据进行处理和分析，生成农田健康状况报告，并为后续的灌溉、施肥、病虫害防治等农业管理决策提供数据支持。AI在农业自动化中的应用，尤其是在智能灌溉系统和无人机农田监测中的优化算法，提高了农业生产的智能化水平，为实现高效、可持续的农业生产提供了强有力的技术支撑。第五章数字孪生技术在农业中的实践5.1农业数字孪生平台的构建数字孪生技术在农业领域的应用，本质上是对农业生产过程的全息映射与动态模拟。农业数字孪生平台的构建，是以物联网、大数据、云计算、人工智能等技术为基础，构建一个高度集成、实时交互、数据驱动的农业仿真系统。该平台通过传感器网络实时采集土壤湿度、气象数据、作物生长状态、病虫害信息等关键参数，结合历史数据与预测模型，实现对农业生产环境的动态感知与智能调控。平台架构包含数据采集层、数据处理层、模型仿真层、决策支持层和用户交互层。数据采集层通过部署在田间地头的物联网设备，如土壤湿度传感器、气象站、无人机、卫星遥感系统等，实现对农业生产环境的高精度、高频次数据采集；数据处理层利用边缘计算与云计算平台进行数据清洗、特征提取与初步分析；模型仿真层基于农业体系系统的物理模型与机器学习算法，构建作物生长模拟、病虫害预测、产量预测等关键模型；决策支持层提供多维度的农业管理建议与决策支持；用户交互层则提供可视化界面，实现农业管理者对平台的实时监控与操作。农业数字孪生平台的构建需满足高并发、低延迟、高稳定性的技术要求。在平台设计时，需采用分布式计算架构，保证数据处理的高效性与可靠性；同时平台需具备良好的扩展性，能够根据农业生产需求动态调整模型参数与数据采集范围。5.2数字孪生在种植决策中的应用数字孪生技术在种植决策中的应用，主要体现在对种植方案的智能优化、风险预测与动态调整等方面。通过构建农业数字孪生平台，农业生产者可实时获取作物生长状态、气象条件、土壤状况等多维度数据，结合历史种植数据与气象预测模型，对种植方案进行科学决策。在种植决策过程中，数字孪生技术通过模拟不同种植方案对作物产量、品质及资源消耗的影响，提供最优种植策略。例如基于数字孪生平台，可模拟不同灌溉方案对作物生长周期的影响，优化灌溉周期与水量，提高水资源利用效率。同时数字孪生技术还能预测病虫害的发生趋势，结合环境气象数据与作物生长状态，提供病虫害防治建议，减少农药使用，提升种植的可持续性。数字孪生技术还能实现种植决策的动态调整。在农业生产过程中，外部环境（如天气变化、病虫害爆发）可能对种植方案产生影响，数字孪生平台能够实时感知环境变化，并自动调整种植策略，保证作物在最佳条件下生长。例如当监测到病虫害风险升高时，平台可自动建议对特定区域进行病虫害防治，或调整种植密度，以降低病虫害传播风险。在实际应用中，数字孪生技术的决策支持结合多源数据与人工智能算法，实现对种植决策的智能化与自动化。例如基于数字孪生平台，可构建种植决策支持系统，提供种植方案推荐、资源利用优化、病虫害预警等服务，帮助农业生产者提高种植效率与经济效益。数字孪生技术在农业中的实践，不仅提升了农业生产的智能化水平，也为农业决策提供了科学依据，有助于实现农业生产的可持续发展。第六章区块链与AI融合的农业应用6.1AI+区块链在农产品溯源中的应用在农业领域，农产品溯源已成为提升食品安全、增强消费者信任的重要手段。AI与区块链技术的融合，为农产品溯源提供了高效、透明且可追溯的解决方案。AI通过图像识别、深入学习等技术，能够对农产品的生长环境、种植过程、采收时间等关键信息进行高精度识别与分析，提升农产品质量检测的效率与准确性。区块链则为这些数据提供分布式存储与不可篡改的记录机制，保证数据的真实性和完整性。结合AI与区块链技术，农产品溯源系统可实现从农田到餐桌的全流程数据跟进。例如通过AI对作物生长状态进行监测，结合区块链存储相关数据，农户、供应链企业及消费者均可实时查询农产品的生长轨迹。这不仅有助于打击假冒伪劣产品，也提升了农产品的可追溯性与透明度。在实际应用中，AI+区块链技术可应用于以下场景：农作物生长环境监测与数据采集农产品质量检测与图像识别供应链数据的分布式存储与共享通过AI算法对采集到的数据进行分析，系统可识别异常数据并发出预警，区块链则保证这些数据不可篡改，保障了信息的可信度。6.2智能合约在农业供应链中的应用智能合约是区块链技术的重要应用之一，能够在无需中介的情况下自动执行合同条款，提升农业供应链的效率与透明度。在农业供应链中，智能合约可用于自动执行付款、物流调度、质量验收等流程。例如在农产品销售过程中，当农产品到达销售点并满足质量标准时，智能合约可自动触发付款流程，减少人为干预与中间环节。智能合约的使用可有效降低农业供应链中的交易成本，减少信息不对称，提升交易效率。同时智能合约的自动执行特性，有助于提升供应链的稳定性与可预测性。在实际应用中，智能合约可用于以下场景：交易结算的自动执行物流调度的自动执行质量验收的自动执行结合AI与区块链技术，智能合约的应用可进一步提升农业供应链的智能化水平，实现从生产到销售的全流程自动化管理。6.3AI与区块链在农业数据管理中的协同效应AI与区块链的结合，不仅提升了农业数据的处理与存储能力，也优化了数据管理流程。AI能够对大量农业数据进行分析与建模，而区块链则保证这些数据的安全与不可篡改性。在农业数据管理中，AI可用于数据分类、特征提取与模式识别，而区块链则负责数据的存储与共享，保证数据在不同节点间的完整性与一致性。这种协同效应，有助于提升农业数据管理的效率与准确性。通过AI与区块链的结合，农业数据管理可实现以下功能：数据的自动分类与存储数据的智能分析与预测数据的分布式共享与访问控制这种模式不仅提高了农业数据管理的智能化水平，也为农业决策提供了有力支持。6.4AI与区块链在农业风险防控中的应用AI与区块链技术在农业风险防控中的应用，主要体现在对气候变化、病虫害、市场波动等风险的预测与应对上。AI可对历史数据进行分析，预测未来可能发生的风险，而区块链则记录这些风险事件，为风险防控提供数据支持。例如AI可预测作物病害的发生趋势，区块链则记录这些预测结果及应对措施，保证信息的可追溯性。同时AI可用于分析市场波动数据，区块链则存储这些市场信息，为农户和企业提供实时决策支持。通过AI与区块链的结合，农业风险防控可实现以下功能：风险预测与预警风险信息的存储与共享风险应对的自动化执行这种模式有助于提升农业的风险管理能力，保证农业生产的可持续发展。6.5AI与区块链在农业自动化生产中的应用AI与区块链技术的结合，为农业自动化生产提供了新的可能性。AI可用于自动化种植、灌溉、施肥等生产环节，而区块链则保证这些自动化操作的数据可追溯与可验证。例如AI可自动控制灌溉系统，根据作物生长状态和环境数据，实时调整灌溉量。区块链则记录这些操作数据，保证数据的透明与可追溯。同时AI可用于自动化监测作物生长状态，区块链则存储这些监测数据，为农业生产提供数据支持。通过AI与区块链的结合，农业自动化生产可实现以下功能：自动化种植与灌溉自动化施肥与病虫害防治自动化数据记录与管理这种模式有助于提升农业生产效率，降低人工成本，提高农业生产质量。6.6AI与区块链在农业市场交易中的应用AI与区块链技术的结合，为农业市场交易提供了更加高效、透明和安全的解决方案。AI可用于市场数据分析、价格预测、供需匹配等，而区块链则保证交易数据的不可篡改性与可追溯性。例如AI可分析市场供需数据，预测价格走势，区块链则记录这些预测结果与交易数据，保证交易的透明性。同时AI可用于自动化交易执行，区块链则保证交易的可追溯性，提高市场交易的效率与安全性。通过AI与区块链的结合，农业市场交易可实现以下功能：市场数据分析与预测价格预测与交易执行交易数据的存储与共享这种模式有助于提升农业市场的智能化水平，促进农业生产的高效发展。第七章农业大数据平台的建设与发展7.1农业大数据平台的架构设计农业大数据平台的建设需遵循现代信息系统的架构原则，构建一个高效、安全、可扩展的数据处理与存储体系。平台架构由数据采集层、数据处理层、数据存储层、数据应用层及数据服务层组成。架构设计原则包括：分布式架构：通过分布式存储与计算技术，实现大规模数据的高效处理与存储，提升系统的容错性和扩展性。数据分层设计：数据采集层负责原始数据的采集与传输，数据处理层负责数据清洗、转换与特征提取，数据存储层采用分布式数据库或云存储技术，数据应用层则支持数据可视化、分析与决策支持功能。高可用与低延迟：平台需支持高并发访问，保证数据处理与服务响应的高效性，同时保持数据一致性与安全性。关键技术包括：数据采集技术：采用物联网传感器、卫星遥感、无人机等设备，实现对农田环境、作物生长状态、土壤质量等数据的实时采集。数据处理技术：基于机器学习与大数据分析算法，实现数据的智能清洗、特征提取与模式识别。数据存储技术：采用关系型数据库与非关系型数据库结合的方式，支持结构化与非结构化数据的存储与管理。7.2农业大数据平台的隐私保护技术在农业大数据平台的建设和应用过程中，隐私保护问题尤为关键。数据采集量的增加，如何保障用户数据安全、防止数据滥用，成为平台设计的重要考量。隐私保护技术主要包括：数据脱敏技术：对敏感字段（如农户个人信息、土地使用信息）进行脱敏处理，避免直接暴露个人隐私。数据加密技术：采用对称加密与非对称加密相结合的方式，保障数据在传输与存储过程中的安全性。访问控制技术：通过基于角色的访问控制（RBAC）与属性基加密（ABE）等机制，实现对数据访问的精细管理。数据匿名化技术：通过差分隐私、联邦学习等技术，实现数据的匿名化处理，避免数据泄露风险。隐私保护策略包括：数据最小化原则：只采集必要的数据，避免过度采集。数据生命周期管理：从数据采集、存储、使用到销毁的全生命周期中实施隐私保护措施。合规性管理：遵循相关法律法规，如《个人信息保护法》、《数据安全法》等，保证平台运营的合法性与合规性。隐私保护技术的实施效果：通过数据脱敏与加密，降低数据泄露风险。通过访问控制与匿名化技术，提升数据使用的安全性和可控性。通过合规性管理，保证平台在合法框架下运行。案例分析：某农业大数据平台在实施隐私保护技术时，采用数据脱敏与联邦学习技术，实现了对农户数据的匿名化处理，既保障了数据安全，又保留了数据的分析价值。该平台在实际应用中，成功减少了数据泄露事件的发生，提升了用户信任度。第八章政策支持与行业标准化建设8.1农业数字化转型政策支持农业数字化转型是推动农业的关键路径，政策支持在其中发挥着基础性作用。当前，国家已出台多项政策文件，明确支持农业数字化发展的方向与实施路径。例如《“十四五”数字乡村建设规划》提出，要加快农业数据采集、分析与应用，提升农业生产效率与管理水平。政策支持通过资金投入、法律法规制定、技术标准规范等多维度手段，为农业数字化转型提供制度保障。在具体实施层面，政策支持应注重以下几个方面：一是强化，明确农业数字化发展的战略目标与实施路径；二是加大财政投入，设立农业数字化专项基金，支持关键技术研发与应用；三是完善政策配套，建立农业数据共享机制，推动跨部门、跨区域信息互通。8.2农业标准化建设的现实路径农业标准化建设是提升农业产业竞争力的重要保障，其核心在于通过统一的技术规范、质量标准与管理流程，实现生产、加工、流通各环节的规范化管理。当前，农业标准化建设面临诸多挑战，如标准体系不健全、实施力度不足、技术应用不充分等。为推进农业标准化建设，需构建科学合理的标准体系，涵盖种植、养殖、加工、物流等全产业链。同时应推动标准与技术、管理的深入融合，通过信息化手段实现标准的动态更新与实时监管。建立多主体协同推进机制，包括企业、科研机构和农户，形成共建、共享、共治的格局。在具体实施过程中，可参考以下路径：一是制定农业标准化发展规划，明确重点领域与关键技术标准；二是推动标准实施应用，鼓励企业开展标准实施试点，提升标准的执行力度；三是加强标准宣贯与培训，提升农业从业者对比准化的认知与参与度。公式在农业标准化建设中，可引入以下数学模型用于评估标准化水平：S其中：$S$：标准化水平评分（0-100分）$C$：标准实施覆盖率（百分比）$T$：总标准覆盖范围（百分比）该公式可用于衡量农业标准化建设的实施效果，指导政策制定与资源配置。表格：农业标准化建设实施路径建议实施路径具体措施实施主体评估指标标准体系构建制定农业标准体系框架国家标准化管理委员会标准数量、覆盖范围技术应用推广推广智能传感、物联网等技术农业企业、科研机构技术应用覆盖率、效率提升政策配套完善建立标准实施激励机制部门标准实施率、政策实施成效公众参与机制鼓励农户参与标准制定与实施农户、行业协会标准认知度、参与度